Está en la página 1de 8

Modelos Loglineales

Trata de interpretar los efectos que sobre las frecuencias


observadas entre las categoras de varias variables categricas
tienen cada una de ellas as como sus interrrelaciones.
Para ello trabaja con el logaritmo natural (neperiano) de las frecuencias
bt id en ell cruce de
d varias
i variables
i bl
obtenidas
Imaginemos una tabla sencilla de sencilla de dos variables sexo y grado
de felicidad percibido cuyas frecuencias son:
Nada Feliz

Poco Feliz

Bastante F.

Muy Feliz

Hombre

75

449

50

Total
577

Mujer

13

90

461

52

616

Total

16

165

910

102

1193

Las tabla convertida en sus logaritmos neperianos queda como sigue:


Nada Feliz

Poco Feliz

Bastante F.

Muy Feliz

Media

Hombre

1,099

4,317

6,107

3,912

3,859

Mujer

2,565

4,500

6,133

3,951

4,287

Media

1,832

4,409

6,120

3,932

4,073

En el modelo loglineal se cumple que para cualquier casilla ij el


logaritmo natural de su frecuencia es:

ln(nij ) = + if + cj + cfij
Donde :

= s la media de los logaritmos de todas las celdas de la tabla


fi = El efecto de la categora i de la variable F
ci = El efecto de la categora j de la variable C
fcij = El efecto de la interaccin i y j de las dos de la variables
De esta forma, el logaritmo natural de la primera casilla es ln (n11)= 1,099
= 4,0731

f1 = 3,8588 - 4,0731=- 0,2143


c1 = 1,83318 - 4,0731= -2,2413

fcij = 1,0986-(4,0731-(0,2143+2,2413))= -0,51189

Estimados as todos los parmetros ij de nuestra tabla:


Nada Feliz

Poco Feliz

Bastante F.

Muy Feliz

Total

-0,5189

0,1231

0,2011

0,1947

-0,2143

Mujer

0,5188

-0,1232

-0,2011

-0,1947

0,2143

Total

-2,2413

0,3356

2,0471

-0,1415

4,0731

Hombre

La suma de los parmetros en cada factor (marginales) es igual a


cero. Los valores positivos o negativos corresponden a frecuencias
por encima o debajo de las medias. As un negativo para el factor
hombre de -0,2143 significa que hay ms hombres que mujeres.
En cuanto al cfi11 correspondiente a la categora hombre y sentirse Nada
ffeliz -0,5189 indica qque tienen menor tendencia qque las mujeres
j
a sentirse
as.

Este modelo donde se contemplan todos los efectos se denomina


Modelo saturado general y nos permite explicar la frecuencia de
cualquier casilla siguiendo la formula sealada

ln(nij ) = + if + cj + cfij

Caso de dos variables f y c

Con tres variables f , c y d sera:


fd
cfd
ln(nijk ) = + if + cj + d k + cfij + cd
ik + jk + ijk

En general, con t variables sera:

ln(ni1i2i3 ...i ) = + ix11 + ix22 + ... + ixtt + ix11i2x2 + ... + ixtta1ixt t + ... + ix11i2xi2t xt + ... + ix11i2x...2 ...it xt
t

Modelos Loglineales. El modelo saturado


Por tanto, se denomina Modelo saturado aquel que para su
calculo contempla todos los posibles efectos, es decir si trabajamos
con las tres variables A,B y C tendr en cuenta:
= +A+B+C+(A
A+B+C+(A*B)+(A*C)+(B*C)+(A*B*C)
B)+(A C)+(B C)+(A B C)
= El efecto global de la distribuciones en la tabla de frecuencias

Los efectos individuales de cada variable

A*C
B*C

L efectos
Los
f t de
d interaccin
i t
i de
d segundo
d orden
d entre
t las
l variables
i bl

C Los efectos de interaccin de tercer orden entre las variables

El modelo saturado permite reproducir con exactitud la frecuencia


de cualquier casilla

Modelos Loglineales. Modelizacin


Un caso especial es el modelo donde no se contemplan los efectos
debidos a la interaccin de las distintas variables, es decir solo se
contemplan los efectos de las variables. Se le denomina Modelo de
interdependencia
ln(ni1i2i3 ...i ) = + ix11 + ix22 + ... + ixtt
= +A+B+C
t

La modelizacin loglinealcalcula el modelo saturado teniendo en cuenta


todos los efectos. A partir del cual va eliminando efectos y contrastando si
las frecuencias obtenidas al suprimir este varan o no significativamente
de las observadas (que coinciden con el modelo saturado)
Si las diferencias encontradas al eliminar un efecto no difieren
significativamente
i ifi i
de
d las
l observadas,
b
d quiere
i decir
d i que dicho
di h efecto
f
puede
d
suprimirse del modelo ya que no contribuye significativamente a explicar
las frecuencias encontradas en el cruce de estas variables

El programa continuar en sucesivas interacciones eliminando


efectos hasta dar con el modelo ms simple que explique las
frecuencias observadas

Modelizacin, con SPSS


En el SPSS vamos a Analizar loglineal Seleccin del
modelo

En el men emergente introducimos las variables a analizar


seso [C1] y grado de felicidad [a8] como factores

Se definen los rangos de las variables a utilizar seleccionando como


criterio de construccin Eliminacin hacia atrs de forma que cada
factor que entra en el anlisis es testado saliendo del modelo si se cumple
con la probabilidad superior al 0,05 en el ratio de mxima verosimilitud

En el botn Modelo solicitamos saturado que viene por


defecto

El modelo saturado es aquel donde intervienen todos los efectos posibles.


posibles
En nuestro caso con dos variables c y f los efectos seranel global de
la tabla, los individuales de las variables, mas el de interaccin entre ellos
es decir: +ci+fj+cfij) simplificando la anotacin +c+f+(c*f)
Con tres variables c x y f sera :
+ci+xk+fj+cfij+ cxik+xfkj+cxfjkj
simplificando la anotacin +c+x+f+(c*x)+(c*f)+(x*f)+(c*x*f)

En opciones solicitamos Frecuencias, Residuos y


Estimaciones de los parmetros

Como criterios del modelo dejamos los valores por defecto: N de


interacciones [10], Convergencia [Por defecto] y Delta[0]

La salida del SPSS nos muestra en primer lugar los casos vlidos y
computados (de los 1193 casos hay 7 con valores nulos en alguna de
las variables). As como las categoras que contiene cada variable del
anlisis

A continuacin nos informa de los factores que entran en el


modelo en nuestro caso la interaccin de las variables a8 y
c1 ya que es un modelo saturado y entran todas (las de nivel
2 a8*c1 y las de nivel uno a8 y C1). Cerrando el modelo en la
interaccin 1 al cumplirse los criterios de convergencia
especificados

Seguidamente, nos muestra la tabla de frecuencias bajo el


modelo saturado, dicha tabla coincide con los valores
observados ya que contempla los efectos de todas las variables
y sus posibles interacciones

El SPSS nos informa que realiza en interacciones sucesivas la


eliminacin de efectos comenzando por los de mayor nivel . Si
las frecuencias calculadas sin l no difieren significativamente
(utiliza el chi-cuadrado) de las observadas lo elimina y pasa a
examinar el siguiente efecto

En la siguiente tabla nos muestra las interacciones realizadas y


los resultados de las pruebas de significacin

La siguiente tabla resume los resultados de las interacciones


realizadas. En la interaccin 1 se elimin el efecto combinado
de a8*c1 dado que su eliminacin no alteraba
significativamente las frecuencias calculadas

En la interaccin 2 se elimina el efecto de la distribucin de la


variable c1 quedando explicadas las frecuencias en base a la
distribucin de la variable a8 y terminando en este paso el proceso

Finalmente nos da la tabla de frecuencias calculada bajo el modelo


resultante y la prueba de significacin. En este caso, el modelo se
puede explicar por la distribucin de a8 sin que las frecuencias
resulten significativamente diferentes.

También podría gustarte